【图结构】之HAN:Heterogeneous Graph Attention Network

作者：張張張張
github地址：https://github.com/zhanghekai
【转载请注明出处，谢谢！】

$HAN$源代码地址：https://github.com/Jhy1993/HAN
$HAN$论文地址：http://www.shichuan.org/doc/66.pdf

$HAN$是在$GAT$的基础上实现的，它的模型分为两部分：（1）节点级的注意力；（2）语义级的注意力。整个模型大致流程如下：首先确定元路径，使用元路径将异构图转换为同构图，邻接矩阵中两节点间有关系则为$1$，没有关系则为$0$；然后，对每一条元路径调用一次$GAT$模型，生成与元路径个数相同的$nodeembedding$，此过程成为节点级注意力机制（$Node-levelAttention$）；最后，将生成的多个$embedding$进行一个单层神经网络训练，得到元路径的权重，此过程称为语义级注意力机制（$Semantic-levelAttention$）。

注意：邻接矩阵中记录的不再是两节点间的连通数。因为$GAT$原本是用于同构图的，只在乎两节点间是否有关系，以此来确定邻居节点，与路径数无关。

一、节点级注意力

\qquad 节点级注意力机制其实就是原封不动的$GAT$模型，只不过是对每个元路径都调用了一次$GAT$而已。从$HAN$的$Node-levelAttention$部分我们可以看到，里面用的公式与$GAT$论文中的公式是一模一样的，只不过加上了确定元路径的角标。因为 G